論文の概要: LMR: Lane Distance-Based Metric for Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2304.05869v2
- Date: Thu, 13 Apr 2023 07:22:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 10:32:41.481482
- Title: LMR: Lane Distance-Based Metric for Trajectory Prediction
- Title（参考訳）: LMR:車線距離に基づく軌道予測
- Authors: Julian Schmidt, Thomas Monninger, Julian Jordan, Klaus Dietmayer
- Abstract要約: 現在確立されている測度はユークリッド距離に基づいており、これは全ての方向において誤差が等しく重み付けされていることを意味する。
レーン距離に基づく新しい距離基準を提案する:レーンミスレート(LMR)
LMRは、ミスを起こすシーケンスの比率として定義される。
- 参考スコア（独自算出の注目度）: 10.83642398981694
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development of approaches for trajectory prediction requires metrics to
validate and compare their performance. Currently established metrics are based
on Euclidean distance, which means that errors are weighted equally in all
directions. Euclidean metrics are insufficient for structured environments like
roads, since they do not properly capture the agent's intent relative to the
underlying lane. In order to provide a reasonable assessment of trajectory
prediction approaches with regard to the downstream planning task, we propose a
new metric that is lane distance-based: Lane Miss Rate (LMR). For the
calculation of LMR, the ground-truth and predicted endpoints are assigned to
lane segments, more precisely their centerlines. Measured by the distance along
the lane segments, predictions that are within a certain threshold distance to
the ground-truth count as hits, otherwise they count as misses. LMR is then
defined as the ratio of sequences that yield a miss. Our results on three
state-of-the-art trajectory prediction models show that LMR preserves the order
of Euclidean distance-based metrics. In contrast to the Euclidean Miss Rate,
qualitative results show that LMR yields misses for sequences where predictions
are located on wrong lanes. Hits on the other hand result for sequences where
predictions are located on the correct lane. This means that LMR implicitly
weights Euclidean error relative to the lane and goes into the direction of
capturing intents of traffic agents. The source code of LMR for Argoverse 2 is
publicly available.
- Abstract（参考訳）: 軌道予測のためのアプローチの開発には、メトリクスのパフォーマンスを検証し比較する必要がある。
現在確立されている測度はユークリッド距離に基づいており、これは全ての方向において誤差が等しく重み付けされていることを意味する。
ユークリッド計量は、下層の車線に対するエージェントの意図を適切に捉えていないため、道路のような構造された環境には不十分である。
下流計画課題における軌道予測手法を合理的に評価するために,車線距離に基づく新しい距離指標,レーンミスレート(LMR)を提案する。
LMRの計算には、地上構造と予測された終点が車線セグメントに割り当てられ、より正確にそれらの中心線が割り当てられる。
レーンセグメントに沿った距離によって測定され、一定のしきい値距離内にある予測がヒットとなり、そうでない場合はミスとしてカウントされる。
LMRは、ミスを起こすシーケンスの比率として定義される。
最新の3つの軌道予測モデルを用いた結果から, lmrはユークリッド距離に基づく測定値の順序を維持していることが示された。
ユークリッドミスレートとは対照的に、定性的結果は、LMRが間違った車線上に予測があるシーケンスのミスを生じることを示している。
一方、正しい車線上に予測があるシーケンスに対してヒットする。
これは、LMRが車線に対するユークリッド誤差を暗黙的に重み付けし、交通機関の意図を捉える方向に進むことを意味する。
Argoverse 2のLMRのソースコードが公開されている。
関連論文リスト
- Intrinsic Bayesian Cramér-Rao Bound with an Application to Covariance Matrix Estimation [49.67011673289242]
本稿では, 推定パラメータが滑らかな多様体内にある推定問題に対して, 新たな性能境界を提案する。
これはパラメータ多様体の幾何学と推定誤差測度の本質的な概念を誘導する。
論文 参考訳（メタデータ） (2023-11-08T15:17:13Z) - CRITERIA: a New Benchmarking Paradigm for Evaluating Trajectory Prediction Models for Autonomous Driving [6.868387710209245]
我々は,新しいbenChmarking paRadIgmをTrijEctoRy予測手法(CRITERIA)として提案する。
提案したベンチマークにより,より正確なモデルランキングを作成でき,それらの振る舞いを特徴づける手段として機能することを示す。
論文 参考訳（メタデータ） (2023-10-11T18:28:15Z) - Decoupling the Curve Modeling and Pavement Regression for Lane Detection [67.22629246312283]
曲線に基づく車線表現は多くの車線検出法で一般的な手法である。
本稿では,曲線モデルと地上高さ回帰という2つの部分に分解することで,車線検出タスクに対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-09-19T11:24:14Z) - DELO: Deep Evidential LiDAR Odometry using Partial Optimal Transport [23.189529003370303]
リアルタイムLiDARベースのオドメトリーは、ロボットナビゲーション、一貫した3Dシーンマップの再構築、安全なモーションプランニングなど、多くのアプリケーションに必須である。
本稿では,フレーム間の正確な対応とモデルの予測不確実性(PU)を共同で学習し,LO予測を安全に保護するための証拠として,新しいディープラーニングベースのリアルタイム(約35～40ms/fps/fps/fps/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s /s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s
提案手法をKITTIデータセット上で評価し,最近の最先端手法よりも優れた一般化能力を有する競争性能を示す。
論文 参考訳（メタデータ） (2023-08-14T14:06:21Z) - Rapid Adaptation in Online Continual Learning: Are We Evaluating It
Right? [135.71855998537347]
オンライン連続学習(OCL)アルゴリズムの適応性を評価するための一般的な手法を,オンライン精度の指標を用いて再検討する。
空白のブラインド分類器でさえ、非現実的に高いオンライン精度を達成できるため、この指標は信頼できない。
既存のOCLアルゴリズムは、オンラインの精度も高いが、有用な情報の保持は不十分である。
論文 参考訳（メタデータ） (2023-05-16T08:29:33Z) - Joint Metrics Matter: A Better Standard for Trajectory Forecasting [67.1375677218281]
マルチモーダル・トラジェクトリ・予測法 : シングルエージェント・メトリクス(マージナル・メトリクス)を用いた評価
余分な指標にのみ注目することは、グループとして明確に一緒に歩いている人々のために、軌跡の衝突や軌跡のばらつきといった、不自然な予測につながる可能性がある。
本稿では,JADE,JFDE,衝突速度といったマルチエージェントメトリクス(ジョイントメトリクス)に関して,最先端トラジェクトリ予測手法の総合評価を行った。
論文 参考訳（メタデータ） (2023-05-10T16:27:55Z) - What's Wrong with the Absolute Trajectory Error? [14.533304890042361]
本研究では,再構成されたカメラ軌跡の精度を評価するための代替誤差指標を提案する。
DTE (Disnalible Trajectory Error) と呼ばれる我々の測定値は5段階で計算される。
また、DTEに類似した長所を持つDRE(Disdisernible Rotation Error)という新しい回転誤差指標を提案する。
論文 参考訳（メタデータ） (2022-12-10T23:48:27Z) - Improving Diversity of Multiple Trajectory Prediction based on
Map-adaptive Lane Loss [12.963269946571476]
本研究では,地図適応の多様性を保証し,幾何学的制約を満たす新しい損失関数,textitLane Lossを提案する。
Argoverseデータセットを用いて行った実験により,提案手法は予測軌道の多様性を著しく向上させることが示された。
論文 参考訳（メタデータ） (2022-06-17T09:09:51Z) - Online Metro Origin-Destination Prediction via Heterogeneous Information
Aggregation [99.54200992904721]
我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。
ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。
DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。
提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
論文 参考訳（メタデータ） (2021-07-02T10:11:51Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳（メタデータ） (2020-06-24T04:45:14Z) - Theoretical Guarantees for Bridging Metric Measure Embedding and Optimal
Transport [18.61019008000831]
共役ユークリッド空間に計量測度空間を埋め込み、埋め込み分布上の最適輸送(OT)を計算する方法を考える。
このことは、ロバストなワッサーシュタイン距離(SERW)を埋め込む部分埋め込み(sub-embedding robust Wasserstein)と呼ばれるものにつながります。
論文 参考訳（メタデータ） (2020-02-19T17:52:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。